MiniMaxがH3-Imageの重みを公開したが、自分のマシンで動かそうとする人が最初にぶつかる壁はダウンロード量だ。Hugging Faceのモデルカードに載っているファイルによると、拡散バックボーンのDiTが約68.65GB、テキストエンコーダーが約66.7GB、画像VAEが2.34GBで、3つの合計は約138GB。任意のプロンプト拡張モデルはこれに含まれていない。
テキストエンコーダーはH3-Imageのリポジトリには入っておらず、H3動画モデルのリポジトリから別途ダウンロードする必要がある。すでにH3動画モデルを導入しているチームなら、この部分を再利用でき、ダウンロード量を半分ほど減らせる。
どのハードウェアで動くのか
モデルカードにVRAMの下限は書かれておらず、推論フレームワークで検証済みのプラットフォームだけが挙げられている。NVIDIA H200、RTX PRO 6000 Blackwell、AMD Instinct MI350Xで、単体GPUでの実行に対応するほか、4GPUのシーケンス並列でレイテンシーを下げることもできる。
各カードのメモリはH200が141GB、RTX PRO 6000が96GB、MI350Xが288GB。BF16の重みだけで100GBを超えるため、単体GPUで動かす場合は段階的なロードや、テキストエンコーダーを別の場所へ逃がす工夫が必要になる可能性が高い。具体的な構成は、公式が示すvLLM-OmniとSGLangのデプロイ手順に従うのがよい。24GBや32GBのモデルを含むコンシューマー向けGPUは、現時点では公式のサポート対象外とみられる。
任意のプロンプト拡張モデルH3-Image-PEは、要件がずっと低い。Qwen3.8-27Bをファインチューニングしたもので、公開されているのはNVFP4量子化の重み約17.9GB。Diffusersでローカル実行した場合の必要VRAMは約19GiBで、24GBのカード1枚に収まる。役割は、ひと言の依頼を完全な画面描写に広げ、推奨アスペクト比を示すこと。単独でデプロイして、その結果をクラウド上のH3-Imageに渡して描画させることもできる。
中国の開発者はどう入手するか
重みはHugging FaceとModelScopeの両方で提供されており、中国国内ではModelScopeからのダウンロードのほうがかなり快適だ。デプロイ用のフレームワークはSGLang、vLLM-Omni、Diffusers、ComfyUIの4通り。ノード式のワークフローに慣れたデザイナーは、ComfyUIのノードパッケージが安定すれば最も入りやすく、サービス化を進めるチームはSGLangかvLLM-Omniを選ぶ可能性が高い。
ライセンスはMiniMax-H3-Image コミュニティライセンス契約で、PEモデルにも同様に適用される。契約第4条に関わる用途は、公式フォームから書面での許諾を申請する必要があり、商用利用の前に自分がどの区分に当たるかを確認しておきたい。モデルカードには地域制限が個別には書かれていない。以前、第三者の整理として、H3動画モデルのコミュニティライセンスが一部の国と地域を除外していると指摘されていた。H3-Imageの契約がそれを引き継いでいるかどうかは、ダウンロード前に条項ごとに照らし合わせる必要がある。
GPUがない場合の選択肢
個人のクリエイターや小規模チームの大半にとって、138GBのモデルを自前で構築するのは割に合わない。公式の窓口としては、MiniMaxオープンプラットフォームのAPI、Hailuo（海螺）、MiniMax Agentがある。APIを組み込みたくない場合は、提携プラットフォーム上でそのまま使える。
PixPixはECと商品画像に特化しており、商品のセット画像、詳細ページ、モデルカットといった工程の入口が用意されている。H3-Imageを選べば4K出力が得られる。PixTVは無限キャンバスで、画像・動画・音声のモデルをその上から呼び出せる。まずH3-Imageで静止画を固め、続いて動画モデルで仕上げるという流れに向いている。どちらも従量制で、ハードウェアを用意する必要はない。
自前構築と外部利用の線引きは、おおむね次のように考えられる。1日の生成枚数が数百枚以内で、データをローカルから出さないことに強い要件がなければ、WebサービスかAPIを使う。量が多い、モデルを改造したい、あるいはプライベート環境での運用が必須という場合に、GPUを積んだ導入を検討する。
参考資料：Hugging Faceモデルカード、CocoLoop、MiniMax-H3-Image-PEモデルカード、MiniMax公式ブログ。各コンポーネントのファイルサイズ、対応ハードウェア、デプロイ用フレームワーク、ライセンス契約名を確認した。